Material Complementario Pronosticos

MODELAMIENTO y GESTIÓN DE
NEGOCIOS
Carmen Ortiz Z. - Luis Seccatore G.
26 de julio de 2013
1
Modelos de Pronóstico
1.1. INTRODUCCIÓN A LOS MODELOS DE PRONÓSTICO
1.1. Introducción a los Modelos de Pronóstico
1.1.1. ¿Qué es un Pronóstico?
En el lenguaje coloquial se utilizan como sinónimos las palabras: predecir, prever, proyectar y
pronosticar. Sin embargo, el Diccionario de la Real Academia Española (RAE) diferencia claramente
el significado de estos vocablos. En efecto,
- Predecir: significa “decir antes”, es un anunciar por revelación, ciencia o conjetura, algo que ha de suceder.
Esto es, el anuncio anticipado de un evento en el futuro, basándose en consideraciones subjetivas.
Los meteorólogos predicen lo que puede ocurrir con el clima en los próximos días analizando
ciertos indicios, tales como presión barométrica, dirección del viento y mapas satelitales.
- Prever: significa “ver antes”, conocer, conjeturar, por algunas señales o indicios lo que ha de suceder. Esto
es ver con anticipación, enunciando un hecho sobre la base de la experiencia o cierta evidencia.
- Proyectar: lanzar, dirigir hacia adelante a distancia. Hacer un proyecto de arquitectura o ingeniería.
- Pronosticar: conocer, por algunos indicios, lo futuro. Es la predicción fundada en observaciones o

conjeturas. Varios autores concuerdan que es el arte y la ciencia de “predecir” eventos futuros
sobre la base de información del pasado. Consiste en utilizar los datos históricos de la variable
de interés para proyectar valores esperados en el futuro, mediante algún modelo matemático
apropiado. Puede incluir o no, una predicción subjetiva o intuitiva, esto es, ajustes del modelo
matemático surgidos del criterio, juicio, conocimiento o experiencia del tomador de decisión.
En las empresas, los pronósticos de la demanda y de las ventas futuras de sus productos son
esenciales para la toma de decisiones. Existe una diferencia sutil entre ambos, aunque con frecuencia
se les confunde, considerándolos como sinónimos.
Los pronósticos de demanda buscan respuestas a la pregunta ¿cuánto se podría vender de tal o
cual producto en tal situación? Se desea estimar la cantidad de un producto (bienes o servicios) que
determinados grupos de consumidores podrían comprar. Por situación se entiende un conjunto de
condiciones, tales como ciertas características de la economía, aspectos sociales y legales, naturaleza
del mercado, entre otras. También incluye acciones realizadas por la empresa (como promociones) y
acciones de sus competidores o de grupos de interés (por ejemplo, grupos ambientalistas) y que afectan
la cantidad demandada.
Los pronósticos de demanda se emplean para apoyar decisiones estratégicas, tales como fijación de
precios, o estimación de requerimientos de capacidad, o ingreso a un nuevo mercado o segmento del
mercado, o para definir campañas promocionales que buscan aumentar la participación de la empresa
en el mercado.

c 541
CAPÍTULO 1. MODELOS DE PRONÓSTICO
Demanda de Mercado de un producto es el volumen total que compraría un grupo de clientes definido,
en un área geográfica definida, en un periodo de tiempo, también, definido. Para un economista, el
mercado se refiere a todos los compradores y oferentes reales y potenciales de un producto o servicio.
Disponer de buenas estimaciones de la demanda es muy importante ya que si ésta tiene mucha
variabilidad, puede generar costos significativos. En efecto, en períodos de alta demanda pueden
aumentar los costos debido al incremento de requerimientos de transporte, de mano de obra adicional,
arriendo temporal de bodegas o equipos adicionales, y en períodos de baja demanda, por exceso de
inventario, personal o equipos ociosos.
En las organizaciones productoras de bienes o servicios, cuando se planifica qué cursos de acción,
decisiones, se tomarán hoy, se están comprometiendo, en ese instante, los recursos utilizados contra
resultados futuros inciertos. Para estimar con anticipación las necesidades de recursos, se necesita
conocer cuál será el nivel de ventas. Por lo tanto, el paso previo es el pronóstico, es decir, estimar
las probables ventas futuras de productos y/o servicios. Por ello, es imperativo tener métodos eficaces de
pronóstico. En la práctica, virtualmente todo tiene que ser pronosticado: ventas, costos, disponibilidad
de recursos, clima, acciones de los competidores, tasas de cambio, impuestos, inflación, niveles de
tráfico, reclamos de clientes, etc.
Un pronóstico de ventas se refiere al nivel esperado de las ventas (en términos financieros o de canti-
dad de producto), para un periodo futuro determinado y en un mercado específico. Se puede referir a
un bien o servicio específico, o bien a una familia de productos. El pronóstico de ventas permite hacer la
planificación de la producción, es decir, ayuda a responder interrogantes como: ¿cuántos bienes o servi-
cios producir?, ¿cuántos insumos o materias primas se requerirán?, ¿cuánta mano de obra se necesitará?,
¿qué capacidad se necesitará?, ¿son suficientes las instalaciones existentes?, ¿qué niveles de inventario
conviene mantener?
Para realizar un pronóstico es necesario establecer su alcance, el nivel de detalle que se requiere y la
cobertura. Puesto que los pronósticos tratan del futuro, el tiempo está directamente involucrado. Luego,
debe pronosticarse para un intervalo de tiempo determinado. El alcance se refiere al horizonte de tiempo
que abarca el pronóstico. Hay tres tipos de horizontes:
Corto plazo: habitualmente consideran períodos de hasta tres meses y se refieren a productos
individuales. Apoyan decisiones operativas como planificación de inventarios, ensamble final,
programación de la producción, la mano de obra y materiales.
Mediano plazo: generalmente, consideran períodos de tres meses a dos años. Este tipo de
pronósticos se suele utilizar para planificación de la producción, de adquisiciones, de presupuesto,
y cuando se necesita menos detalle que el usado en el corto plazo.
Largo plazo: por lo general, este tipo de pronóstico contempla períodos superiores a dos años
y considera ventas totales, ya sea en unidades monetarios o unidades vendidas de líneas o
tipos de productos. Se utilizan para apoyar decisiones estratégicas, como introducción de nuevos
productos, inversiones en nuevas instalaciones o ampliaciones, en cambios de tecnologías o
procesos, en investigación y desarrollo, entre otras.
542 Modelamiento y Gestión de Negocios

Otro aspecto importante a definir es el nivel de detalle del pronóstico, esto es, si se trata de estudiar el
comportamiento de las ventas de un producto individual, una familia o línea de productos, de una
empresa o una industria. Generalmente, los productos de una familia tienen patrones de demanda
y/o necesidades de proceso, mano de obra o materiales similares. Algunas organizaciones realizan
pronósticos en dos etapas: primero a nivel de familias y luego, a partir de éstas, deducen los pronósticos
individuales.
Las unidades de los pronósticos pueden ser monetarias o bien unidades de productos o servicios. Los
que resultan más útiles en gestión de operaciones son los últimos, ya que el valor monetario puede
ser el mismo en dos períodos, pero las combinaciones de productos que generan ese valor pueden ser
diferentes.
La cobertura del pronóstico establece si se trata de las ventas a todos los clientes de la empresa, de los
clientes de un área, región o país determinado.
Al tratarse del futuro, la incertidumbre estará siempre presente en un pronóstico. El error es una
medida de la incertidumbre sobre las ventas futuras. Por lo tanto, es una información clave en la toma
de decisiones. De ahí la importancia de tomar en cuenta no sólo la cantidad estimada, sino que también
su error. La venta acumulada de varios productos, o de un mismo producto en el tiempo, suele reducir
el error de pronóstico.
El grado de certeza, nivel de confianza, que se tiene sobre el pronóstico depende de la información
utilizada. Por ejemplo, a medida que el pronóstico se aleja en el futuro, los valores pronosticados serán
menos precisos y, por lo tanto, el error será mayor. En bienes o servicios con ventas estables, como el
pan, un error en el pronóstico no será de gran impacto. En cambio, un error en el pronóstico de bienes
de corta vida, tales como artículos de moda o equipos electrónicos, donde el período de venta es muy
corto, puede ser de nefastas consecuencias. Los pronósticos agregados (familias de productos) tienen
menor error que los detallados y los de largo plazo son más precisos que los de corto plazo.
1.1.2. Modelos de Pronóstico
Existe una serie de factores que impiden conocer con certeza el valor de las ventas futuras. No hay
forma de saber exactamente cuales serán las cantidades que se venderán. Una alternativa es realizar
un pronóstico basándose en la opinión e intuición de expertos. Otra opción es hacer un pronóstico
empleando información de las ventas que han ocurrido en el pasado.
Existen básicamente dos tipos de metodologías clásicas para pronosticar. Una es cualitativa,
mediante juicio de expertos. La otra consiste en usar métodos cuantitativos mediante modelos de
pronóstico. Estos últimos son modelos matemáticos que suponen que la información, especialmente
los datos históricos, son relevantes para el futuro. Esto es, se asume que las condiciones imperantes en
el futuro no serán muy diferentes de las experimentadas en el pasado.

c 543
1.1.2.1. Modelos Cualitativos
Estos métodos son subjetivos, pues dependen del juicio y experiencia del tomador de decisiones o
de un grupo de expertos. Estas técnicas son útiles cuando no hay datos históricos, o bien la información
es insuficiente, contradictoria, o cuando ocurren cambios repentinos en la economía. Son pertinentes
cuando se está frente a decisiones estratégicas, tales como pronosticar ventas a varios años en el futuro,
de un nuevo producto que se introducirá en el mercado, o de productos cuya demanda es muy incierta,
como la moda. Las técnicas cualitativas más comunes son:
Método Delfos (Delphi)
Tiene su origen durante la Guerra Fría, en los 50’s. Fue desarrollado en la Rand Corporation para
la Fuerza Aérea de Estado Unidos [10, 12, 13] con el propósito de tratar de analizar el impacto de los
avances tecnológicos en una guerra, mediante consenso de especialistas. Se basa en el principio que los
pronósticos o las decisiones de un grupo estructurado de individuos es más preciso, lo que se denomina
inteligencia colectiva. El método consiste en formar un panel de expertos o que tienen injerencia
en la decisión y que operan, siempre, de forma anónima respondiendo a una serie de preguntas,
durante varias rondas, hasta lograr un eventual consenso. Un facilitador entrega a los participantes un
cuestionario inicial, con preguntas abiertas sobre las ventas futuras de la organización. Éstos entregan
sus respuestas, fundamentadas, de forma anónima. El facilitador, sobre la base de estas respuestas, crea
una segunda ronda de preguntas acompañadas de una síntesis de las respuestas del panel. A la luz de
las opiniones de los otros expertos, cada panelista puede modificar su respuesta anterior. A aquellos
panelistas cuya opinión difiere significativamente de resto, se les pide fundamentar su planteamiento.
En un tercer cuestionario, el facilitador incorpora un resumen de estas justificaciones. Los expertos
deben re-evaluar su posturas y pueden rechazar las razones dadas. Así se continúa hasta llegar a un
eventual consenso sobre la predicción, es decir, hasta que los distintos pronósticos se encuentran en un
pequeño rango de valores.
Los resultados dependen fuertemente de la confección del cuestionario y la selección de los

panelistas. Una de las ventajas de este método es que se reduce la influencia de la mayoría en cada
uno de los participantes, puesto que las respuestas son anónimas. Otro aspecto positivo es que el uso de
tecnología permite que los participantes se encuentren dispersos geográficamente.
Consenso del Comité de Expertos
El origen de este método se pierde en la nebulosa del tiempo con la existencia de consejos de ancianos
y consejeros de reyes en diferentes culturas. El comité es conformado por un grupo de ejecutivos
experimentados de la empresa. En una reunión presencial, se les presentan los aspectos que se requiere
pronosticar, promoviendo la discusión y permitiendo la fusión de las opiniones, hasta llegar a un
consenso negociado. Es un método muy común, y se utiliza para predicciones de mediano y largo
plazo. Tiene la desventaja que la opinión de los participantes podría converger a la de la mayoría o
a la del integrante de mayor jerarquía, sin pensar críticamente, ni abrirse a otras alternativas.

Pronósticos de la Fuerza de Ventas
Los vendedores tienen una percepción, de primera fuente, sobre las intenciones de compra de los
clientes a corto y mediano plazo. Esta se transforma en conocimiento que permite elaborar pronósticos
con rapidez y a bajo costo. Las estimaciones de los diferentes vendedores se agregan para generar
pronósticos consolidados a nivel geográfico (regional, nacional, etc.) o por líneas o tipos de producto.
Estos pronósticos suelen ser bastante exactos a corto plazo (uno a tres meses), sin embargo para un
horizonte de tiempo más largo, son menos confiables. Un aspecto a considerar es el sesgo que pueden
tener las opiniones de la fuerza de ventas. Por ejemplo, un vendedor puede entregar estimaciones
bajas, para obtener mejores comisiones por ventas mayores que las proyectadas. Este método se usa
con frecuencia en empresas donde los vendedores atienden directamente a los clientes.
Investigación de Mercado
De acuerdo a Kotler [18], la investigación de mercados es “ el diseño, la obtención, el análisis y

la presentación sistemáticos de datos y descubrimientos pertinentes para una situación de marketing
específica que enfrenta la empresa”. Kinnear y Taylor [17] señalan que es “el desarrollo y el suministro
de información para el proceso de toma de decisiones por la gerencia de comercialización”. Esto es,
tiene por finalidad conocer los posibles volúmenes de ventas, para lo cual recopila, analiza e identifica
características específicas del mercado objetivo (sector de la población que reúne ciertas características
como grupo etario, estado civil, sexo, familias jóvenes, ingresos y otros). Busca identificar los cambios
de conducta de los consumidores respecto a sus hábitos de compra. Se utiliza preferentemente para
tomar decisiones sobre la introducción de un nuevo producto (bien o servicio) y las relacionadas con su
promoción y publicidad. Se pueden distinguir tres fases:
Análisis del consumidor: consiste en detectar las necesidades de consumo de cierto mercado y
la forma de satisfacerlas y averiguar sus hábitos de compra, entre otros aspectos. Estos estudios
pueden ser:
- grupos objetivos (focus group): se reune un grupo pequeño de personas, representativas del
mercado objetivo, para que opinen sobre un producto nuevo. Son de carácter exploratorio para
indagar información.
- encuestas: se selecciona, al azar, un grupo mayor de potenciales compradores. Se les entrevista
utilizando una encuesta. Los encuestados expresan su opinión mediante valoraciones de escala.
Los resultados se proyectan al mercado objetivo.
Análisis de la competencia: se estudia el comportamiento y posibles las reacciones de las otras

empresas que ofrecen productos similares o sustitutos al mismo grupo objetivo.
Estrategia: se define la forma en que la empresa actuará, de acuerdo a los antecedentes recopilados
y el objetivo perseguido.
Los métodos cualitativos tienen la ventaja que toman en cuenta los factores subjetivos. Sin embargo,
existe el riesgo de obtener pronósticos sesgados o parcializados, ya que se basan en modelos mentales
que pueden ser simplificados o incompletos, y estar expuestos a falsas atribuciones de validez o
causalidad.

c 545
1.1.2.2. Modelos Cuantitativos
Estas técnicas utilizan estadística para modelar el pasado y a partir de allí, proyectar el futuro. Los
modelos cuantitativos se clasifican en dos tipos: proyectivos y causales. Los primeros hacen referencia
a proyectar la posible venta futura a partir de valores históricos, y los segundos al conocimiento de la
relación con una o más variables causales que permitan establecer el valor esperado de lo que se desea
estimar.
Modelos Proyectivos
Una serie de tiempo es un conjunto de valores de una variable observados en puntos sucesivos
en el tiempo o bien durante períodos sucesivos 1 . También se denominan series temporales o series
cronológicas. En las organizaciones se acostumbra a registrar valores de variables consideradas de
interés, tales como ventas (semanal, mensual, trimestral, anual, etc.), valores de los instrumentos del
mercado accionario (diario, semanal, mensual, etc.), devoluciones, reclamos de clientes, entre otros.
Los modelos proyectivos que utilizan series de tiempo se basan en el supuesto que las condiciones
presentes en el pasado, se mantendrán en el futuro. Esto implica que la historia de las ventas pasadas es
un buen indicador de las ventas futuras. La Figura 1.1 muestra la serie de tiempo correspondiente a las
ventas mensuales del año 2012, de una empresa dedicada a la fabricación y comercialización de aceite
de oliva.
Figura 1.1: Serie de tiempo de ventas mensuales.
Modelos Causales
A diferencia de los modelos de serie de tiempo, los modelos causales identifican y miden directa-
mente el impacto de otras variables que influyen en las ventas. Estos modelos analizan los efectos de
influencias externas sobre la variable de interés, utilizándolas para hacer pronósticos. El supuesto básico
es la existencia de una relación entre los factores predictores, denominados variables independientes y
la variable cuyo valor se desea pronosticar, es decir, de la variable dependiente. Por ejemplo, se puede
1 En términos estadísticos, corresponde a una realización de una variable aleatoria cuyo conjunto índice es el tiempo.

encontrar la relación entre lo gastado en promoción y publicidad con las ventas que se generan. Esta
relación se puede usar para pronosticar las ventas esperadas dado un presupuesto particular de pro-
moción y publicidad. La Figura 1.2 muestra los gastos en publicidad de una multitienda y las ventas
correspondientes para el año 2011. En este caso, se supone que la relación es lineal, es decir, la venta es
proporcional al gasto realizado. A menudo no existe una relación exacta, pero es posible identificar un
patrón subyacente.
Figura 1.2: Ventas versus gastos en publicidad.
Un modelo causal muy conocido es Regresión Lineal Simple que sólo contiene una variable
independiente.
Los modelos cuantitativos tienen la ventaja que son rápidos de utilizar una vez que el modelo ha
sido desarrollado. No consideran información subjetiva ni sobre los factores nuevos o inesperados.
Si bien las técnicas de pronóstico cualitativas no requieren procesar datos porque utilizan el juicio
y/o conocimiento de los expertos, en realidad éstos realizan manipulación mental de la información que
poseen. Por otra parte, se dice que las técnicas cuantitativas prescinden de juicios. En nuestra opinión,
si se desea efectuar pronósticos útiles y correctos, es necesario emplear los métodos cuantitativos en
conjunto con el sentido común, el buen juicio y conocimiento del negocio.
Finalmente, están los modelos de simulación que permiten evaluar el comportamiento de las ventas
ante diferentes escenarios. En particular, se puede usar esta técnica para revisar o estudiar un conjunto
de supuestos sobre el pronóstico, o bien de valores de algunas de las variables relevantes. Se pueden
hacer preguntas como ¿cuál sería el efecto sobre el pronóstico de un determinado aumento del precio?
o ¿cómo afecta al pronóstico, un cambio en las condiciones económicas del país o de la región, como
recesión por ejemplo?

c 547
1.1.2.3. Metodología para Pronosticar Demanda / Ventas
La confección de pronósticos efectivos contempla las siguientes etapas:
- Establecer el objetivo del pronóstico: consiste en la búsqueda de respuestas para interrogantes como
¿qué decisiones serán basadas en el pronóstico?; ¿cómo se relacionan estas decisiones con las
diferentes actividades de la organización?; ¿cuál es su efecto en otros actores de la cadena de
suministros?; ¿cuáles son los distintos segmentos de clientes a los que está dirigido el pronóstico?
- Determinar características del pronóstico: se trata de determinar: ¿qué productos o servicios serán
incluídos?; ¿qué nivel de agregación se requiere?; ¿se desea pronosticar ventas o demanda (no son
lo mismo)?; ¿cuáles son los principales factores que influyen en las ventas?; ¿cuál es la unidad
de medición más adecuada?; ¿qué horizonte y qué frecuencia debe tener el pronóstico?; ¿qué
precisión se necesita?
- Recopilar y analizar datos: es muy importante disponer de datos pertinentes, consistentes, confiables
y precisos, ya que los modelos se construyen sobre éstos. Por ello, se necesita establecer: ¿qué
datos se requieren?; ¿están disponibles?; ¿cuáles son las fuentes de dónde se obtendrán?; ¿son
suficientes?; ¿son confiables? Con frecuencia, es necesario realizar una depuración de los datos,
puesto que algunos pueden no ser relevantes para la situación bajo análisis, o bien pueden ser los
adecuados, pero sólo en ciertos periodos históricos. El análisis de datos es muy importante para
identificar el tipo apropiado de modelo. El objetivo es detectar si hay datos atípicos, tendencias,
variaciones estacionales, entre otros. Se suele iniciar este proceso aplicando análisis exploratorio
de los datos. Lo que se puede complementar con técnicas estadísticas más sofisticadas.
- Seleccionar un modelo de pronóstico: ¿cuál es el modelo o técnica que resulta más adecuada para
predecir el comportamiento de la variable de interés? En esta selección es necesario equilibrar
precisión y costo. Mientras más sencillo sea el modelo, mejor. Sin embargo, mayor precisión,
generalmente, implica mayor costo. Con frecuencia, se seleccionan varios modelos tentativos.
Cabe mencionar que esta etapa puede ser compleja, dada la gran cantidad de modelos disponibles
en la literatura (varios cientos), cada uno con supuestos y propiedades particulares.
- Validar el modelo: consiste en aplicar la(s) técnica(s) seleccionada(s) a los datos para efectuar
pronósticos, con el propósito de evaluar su nivel de desempeño. Esta evaluación podría conducir
a descartar algunos de los modelos tentativos. Para determinar el grado de error (o validez)
de las predicciones, se acostumbra analizar el comportamiento de los errores de pronósticos
para periodos recientes, de los que se conocen los valores históricos reales. También se definen
medidas globales de desempeño del modelo, como el error cuadrático medio y otros, que permiten
evaluar la precisión y oportunidad del pronóstico. Los intervalos de confianza permiten analizar
la magnitud de los errores y el riesgo de decisiones basadas en las estimaciones del modelo.
- Implantar y controlar el modelo: la etapa final consiste en la aplicación del modelo para obtener
pronósticos para el futuro. Es importante monitorear y controlar el desempeño de los modelos en
el tiempo. Mediante revisiones periódicas, se puede controlar el cumplimiento de los supuestos
y la precisión de los resultados. La implantación debe incluir los procesos de actualización de los
datos ya que pronósticos eficaces requieren datos confiables, precisos y oportunos.

1.2. MODELOS PROYECTIVOS DE PRONÓSTICO: SERIES DE TIEMPO
1.2. Modelos Proyectivos de Pronóstico: Series de Tiempo
El concepto de series de tiempo se puede trazar hasta John Graunt (1620-1675), inglés fabricante de
camisas y comerciante en telas . Graunt aplicó el concepto de reducción de datos para la interpretación
adecuada de éstos. Con ello se refería a técnicas que se utilizan cuando se quiere agregar o agrupar
información contenida en grandes conjuntos de datos, en una cantidad menor pero significativa (por
ejemplo, clasificación, agrupamiento y filtrado). Decía que sólo así es posible realizar comparaciones
entre datos, determinar su porcentaje frente a una totalidad, y establecer cuáles resultados son más
relevantes para hacer una interpretación objetiva de los mismos. Por ello se le considera el precursor
del Análisis de Datos. Estudió las tasas de nacimientos y muertes semanales por diferentes causas, a
partir de los registros recogidos en las distintas parroquias de Londres durante el periodo de 1604 a
1661, aplicando conceptos utilizados en la práctica comercial y mercantil, tales como la Regla de Tres
2
. Para detectar y predecir patrones estacionales y cíclicos, contrastó un año con otro, una estación
del año con la de años anteriores o de una parroquia con otra. Sus resultados los publicó en el libro
Observaciones Naturales y Políticas a partir de los Registros de Mortalidad (1662). El libro causó gran impacto
[8, 9] y dio origen a una serie de trabajos y perfeccionamientos de las aplicaciones de la aritmética política 3
relacionadas con materias sociales, tales como la salud pública (estudios epidemiológicos), movimientos
poblacionales (tablas de mortalidad), producción en agricultura, y con propósitos comerciales tales
como seguros y anualidades basadas en tablas de esperanza de vida.
El análisis de series de tiempo tiene como objetivo caracterizar el comportamiento del fenómeno
estudiado y predecir su evolución futura, asumiendo que las condiciones no varían significativamente.
Usa tanto modelos muy simples como también muy sofisticados. Uno de los enfoques asume que la serie
de datos se puede descomponer en varios elementos, y el pronóstico se efectúa mediante la combinación
de las proyecciones de cada componente. Otros enfoques utilizan modelos de tipo econométrico.
1.2.1. Componentes de una Serie de Tiempo
El análisis de los componentes de una serie de tiempo data de fines del siglo XIX. En efecto, en 1884
el físico inglés John Poynting [21] estableció una forma de aislar la tendencia y la estacionalidad de una
serie de precios de importaciones de algodón y seda en Gran Bretaña, mediante los promedios de varios
años. Más tarde, en 1901 Reginald Hooker [16] utilizó por primera vez el término tendencia para analizar
la relación entre la tasa de matrimonios y el nivel de bienestar de las personas. En 1919, Warren M. Per-
sons [20] propuso descomponer una serie temporal en cuatro componentes: tendencia de largo plazo,
estacionalidad, variación cíclica y residuo. Este último es el componente aleatorio o ruido y los otros tres
constituyen el componente sistemático. A continuación se discuten estos elementos.
2 También se le llama Regla de los Mercaderes, incluye comparaciones por división, en la forma de razones, y porcentajes y
comparacines por substracción
3 Denominada así por William Petty, estadístico, economista, médico y filósofo británico, amigo y, en cierto modo, discípulo de
Graunt. La definió como el arte de razonar por medio de cifras sobre temas que se relacionan con el Estado.

c 549
Tendencia: una serie tiene tendencia si existe una relación significativa entre observaciones sucesi-
vas, o sea , hay un aumento o disminución sostenidos en el nivel de la demanda de un período de
tiempo al siguiente. La tendencia es la tasa de crecimiento (o disminución) de la demanda. Las ten-
dencias se dan por varias causas: cambios en la población, cambios en la productividad, cambios
tecnológicos, entre otros. Por ejemplo, las ventas de teléfonos celulares han presentado un aumen-
to sostenido en los últimos años. La Figura 1.3 muestra la tendencia de las ventas mensuales de
una cadena de multitiendas, durante los años 2009 y 2010. En este caso la tasa es constante, por
ello se representa por una línea recta.
Figura 1.3: Tendencia de las ventas.
La tendencia también puede ser descrita por una curva. La Figura 1.4 muestra otros tipos de ten-
dencia: la primera tiene forma de S, la segunda es exponencial y la última es logarítmica, también
denominada asintótica.
Figura 1.4: Tipos de tendencia.
Se dice que una serie de tiempo es estacionaria si sus propiedades estadísticas básicas son cons-
tantes en el tiempo, es decir, su media, varianza y covarianza no cambian sistemáticamente. En
consecuencia, se trata de series cuyos valores varían alrededor de un nivel fijo a lo largo del tiem-
po. Una serie que tiene una tendencia es no estacionaria.

Estimación de la tendencia
Cuando la tendencia es lineal hay varios métodos sencillos para determinar la ecuación de la rec-
ta que la representa. Uno de ellos es el método de mínimos cuadrados, que se atribuye a Karl
Friedrich Gauss, y el otro fue propuesto por John Tukey. Como se señaló antes, existen varios pa-
trones de tendencias subyacentes. Afortunadamente la mayoría de las situaciones de pronóstico
de ventas son a corto plazo, por lo que no es perceptible la existencia de patrones no lineales. En
efecto, observando los ejemplos de series históricas de la Figura 1.5, es posible considerar que la
pendiente del último tercio de las series es lineal para pronósticos de corto plazo: tres o cuatro
períodos. A continuación, mostraremos mediante un ejemplo, la aplicación de estos métodos.
Figura 1.5: Tendencia lineal de corto plazo.
Ejemplo: Empanadas Santiago
Doña Pepa, es una emprendedora que hace cinco años

postuló a un fondo de fomento a la pequeña industria
y obtuvo el financiamiento suficiente para instalar
una fábrica de empanadas que llamó Empanadas
Santiago. Al comienzo no le fue muy bien y estuvo a
punto de abandonar el proyecto, pero decidió seguir
un año más. Si no mejoraba, estaba dispuesta a vender
las máquinas y asumir la pérdida. Una amiga la instó
a presentarse al concurso de empanadas de la ciudad
y, para su sorpresa, sacó el primer premio. Con la
publicidad que tuvo el evento, las ventas mejoraron
un tiempo, pero después decayeron.
Cuando al año siguiente, ganó otra vez el concurso, el éxito comenzó a sonreírle. Sin embargo,
la administración empezó a complicarse, debido al aumento de las ventas. Ahora tenía más per-
sonal y debía comprar cantidades importantes de harina y otras materias primas, con suficiente
antelación. Cuando hace dos años, las ventas aumentaron de manera significativa, comenzó a re-
gistrar la cantidad mensual de empanadas que vendía. La Tabla 1.1 muestra las ventas mensuales
de los años 2011 y 2012.

c 551
Ventas de empanadas (docenas)

Año Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
2011 457 366 392 409 509 544 610 506 526 454 534 596
2012 626 568 515 531 548 653 663 629 567 495 512 583
Tabla 1.1: Ventas mensuales de Empanadas Santiago.
La Figura 1.6 muestra gráficamente la serie histórica. Al parecer, las ventas han crecido
constantemente en el período considerado.
Figura 1.6: Diagrama de ventas de empanadas Santiago.
Método de Mínimos Cuadrados

Esta técnica ajusta una recta a una serie de datos. La línea recta minimiza la suma de los cuadrados
de las desviaciones o distancias verticales de la recta a cada una de las observaciones, y los
parámetros que la caracterizan son la pendiente (m) y el intercepto o punto de corte con el eje
vertical (a). El valor de estos parámetros se estima utilizando la serie de observaciones históricas.
En efecto, sea la ecuación de la recta:
y = a + mx,
donde y es la variable dependiente y x es la independiente. Ver Figura 1.7.
Figura 1.7: Mínimos cuadrados.

El error o desviación para cada observación es εt = Yt − (a + mXt ), de manera que la suma de los
cuadrados de estos errores es:
n
X n
X
ε2t = (Yt − (a + mXt ))2 .
t=1 t=1
Los valores de a y m que minimizan la suma anterior se obtienen aplicando cálculo diferencial
básico. Si se tiene n observaciones históricas (Xt , Yt ), entonces:
n
X n
X n
X n
X n
X n
X n
X
Yt Xt2 − Xt Xt Yt n Xt Yt − Xt Yt
t=1 t=1 t=1 t=1 t=1 t=1 t=1
a= n n y m= n n .
X X X X
n Xt2 − ( Xt )2 n Xt2 − ( Xt )2
t=1 t=1 t=1 t=1
Aplicando las ecuaciones anteriores al ejemplo, se tiene que la variable independiente es el perío-
do (mes) de la observación y la variable dependiente es la venta correspondiente. La Tabla 1.2
muestra los cálculos necesarios para determinar los parámetros de la recta.
Año Mes Venta Xt Yt Xt Yt Xt2

2011 Enero 457 1 457 457 1
Febrero 366 2 366 732 4
Marzo 392 3 392 1.176 9
Abril 409 4 409 1.636 16
Mayo 509 5 509 2.545 25
Junio 544 6 544 3.264 36
Julio 610 7 610 4.270 49
Agosto 506 8 506 4.048 64
Septiembre 526 9 526 4.734 81
Octubre 454 10 454 4.540 100
Noviembre 534 11 534 5.874 121
Diciembre 596 12 596 7.152 144
2012 Enero 626 13 626 8.138 169
Febrero 568 14 568 7.952 196
Marzo 515 15 515 7.725 225
Abril 531 16 531 8.496 256
Mayo 548 17 548 9.316 289
Junio 653 18 653 11.754 324
Julio 663 19 663 12.597 361
Agosto 629 20 629 12.580 400
Septiembre 567 21 567 11.907 441
Octubre 495 22 495 10.890 484
Noviembre 512 23 512 11.776 529
Diciembre 583 24 583 13.992 576
Suma 300 12.793 167.551 4.900
Tabla 1.2: Cálculos para mínimos cuadrados.

c 553
Se obtiene:
a = 12.793 · 4.900 − 300 · 167.551 = 450,

24 · 4.900 − (300)2
m = 24 · 167.551 − 300 · 12.793 = 6, 6.

24 · 4.900 − (300)2
Luego, la ecuación de la tendencia es y = 450 + 6, 6x, como se muestra en la Figura 1.8.
Figura 1.8: Tendencia según mínimos cuadrados.
La mayoría de los autores reconoce que el método de los mínimos cuadrados tiene mejor
comportamiento que otros métodos respecto al error. Sin embargo, el método es muy sensible
a los valores atípicos. No ocurre lo mismo con el método de Tukey, que se discute a continuación.
La Figura 1.9 ilustra este efecto. Supóngase que la venta del mes 20 de la serie fue registrado como
791 en vez de 629. En este caso se obtiene que a = 444 y m = 7, 7, por lo tanto la ecuación de la
recta sería y = 444 + 7, 7x.
Figura 1.9: Tendencia según mínimos cuadrados con datos atípicos.
Se observa que tanto la pendiente como el intercepto cambian, dando lugar a otra recta.

Estacionalidad: se trata de un patrón en el comportamiento de la serie que se repite en fechas o

períodos específicos. Se refiere a variaciones predecibles de la demanda, debidas a las diferen-
cias de consumo en los distintos periodos del año. La venta de paraguas aumenta fuertemente
en el invierno, en cambio la de helados, lo hace en verano. Asimismo, las ventas de uniformes y
útiles escolares presentan su máximo valor durante los meses de Febrero y Marzo; los huevitos de
chocolate se venden en grandes cantidades en la Semana Santa y las empanadas en Septiembre. La
Figura 1.12 (a) muestra la estacionalidad de las ventas de la cadena de multitiendas que presenta
sus máximos cada seis meses, aproximadamente. La Figura 1.12 (b) describe el comportamiento
subyacente de las ventas, considerando tanto la estacionalidad como la tendencia. En este caso, la
componente estacional está representada por una curva de tipo sinusoidal.
(a) Estacionalidad. (b) Estacionalidad y tendencia.
Figura 1.12: Componente estacional de las ventas.
Ciclos: se trata de aumentos o disminuciones que se repiten en el tiempo y cuyo período es de

varios años. Generalmente, están relacionados a ciclos económicos, como períodos de crecimiento
y de recesión, o ciclos de vida del producto.
(a) Componente cíclico. (b) Estacionalidad, tendencia y ciclo.
Figura 1.13: Componente cíclico de las ventas.
En el ejemplo de la cadena de multitiendas se aprecia que los valores observados están, casi
todos, por encima del valor explicado por la tendencia y la estacionalidad. Se dice, en este caso,

que la estimación es sesgada, pues pronostica sistemáticamente valores menores a los reales.
Esto significa que hay otros componentes que influyen en la demanda. Si se consideran las
observaciones de 2010 a 2012, o sea, de 36 meses en vez de 24, se puede notar que existe un
comportamiento cíclico, como muestra la Figura 1.13(a). Las características del ciclo de la demanda
(máximos, mínimos, duración, etc.), cuando éste está relacionado a ciclos económicos, se pueden
obtener de análisis económicos sectoriales. Su efecto en la estructura de las ventas se puede ver en
la Figura 1.13(b), al incorporarlo a los componentes de tendencia y estacionalidad.
Componente Aleatorio (o irregular): corresponde a variaciones que no pueden explicarse mediante

tendencias, estacionalidades y/o ciclos. Se deben, habitualmente a situaciones imprevistas, como
huelgas o terremotos, son de corta duración y no se repiten. En la Figura 1.14(a) se aprecia el com-
ponente aleatorio de las ventas de las multitiendas y la 1.14(b) muestra el resultado de agregar los
cuatro componentes de la serie. Nótese que en este caso se obtienen los valores originales.
(a) Componente aleatorio. (b) Cuatro componentes.
Figura 1.14: Componente aleatorio de las ventas.
Se observa que sólo la tendencia se expresa en las unidades originales, y los otros tres componentes
se expresan como fracciones. Los distintos modelos de descomposición intentan estimar estos
componentes. El modelo aditivo asume que el valor de la variable de interés Xt , en cierto período t,
se puede expresar como la suma de sus cuatro componentes, es decir:
Xt = Tt + St + Ct + Et ,
donde Tt es la tendencia, St la variación estacional, Ct la variación cíclica y Et el componente aleatorio,

para el mismo período t. Este modelo supone que los componentes son independientes uno del otro, lo
que rara vez sucede en la práctica. En la mayoría de los casos, la variación de un componente tendrá
un impacto en el valor de los otros. Este modelo es apropiado cuando la magnitud de las variaciones
estacionales de la serie no cambia al hacerlo la tendencia.
El modelo multiplicativo, en cambio, expresa la variable Xt como producto de los componentes:
Xt = Tt × St × Ct × Et .
En este caso la magnitud de las variaciones estacionales de la serie crece y decrece proporcionalmente
con los aumentos y disminuciones de la tendencia.

c 557
Algunos modelos mezclan ambas formas de descomposición, dando lugar a modelos mixtos de la
forma:
Xt = Tt × St × Ct + Et .
Los métodos estáticos asumen que las estimaciones del nivel, tendencia y estacionalidad no varían
a medida que se dispone de nuevas observaciones. Los valores estimados se utilizan en todos los
pronósticos futuros. Por otro lado, en los modelos adaptativos las estimaciones de los componentes son
actualizados con cada nueva observación.
En el enfoque clásico, se acostumbra a descomponer una serie de tiempo mediante un proceso se-
cuencial de identificación y separación de sus componentes, lo que facilitaría el análisis de las causas
de las variaciones. Por lo general, se comienza identificando el componente estacional, enseguida la
tendencia y la variación cíclica, y se finaliza con el componente aleatorio. El proceso de eliminación
de la estacionalidad de una serie se denomina desestacionalización. Suele ser difícil diferenciar la ten-
dencia del componente cíclico y, habitualmente, se obtienen de forma conjunta eliminando de la serie
desestacionalizada, el componente irregular. La serie que se obtiene de esta manera se denomina de
Ciclo-Tendencia. Existen diversos métodos para realizar cada paso de esta metodología, como veremos
en lo que sigue. Una herramienta simple, pero muy útil, para iniciar el estudio de una serie es el análisis
exploratorio de datos, ya que facilita la formulación de hipótesis respecto a su comportamiento.
1.2.2. Análisis de los Errores de Pronóstico
La diferencia entre el valor observado y el pronosticado se denomina error o residuo del pronóstico y
representa una estimación del componente aleatorio. El error del pronóstico se define como εi = Yi − Fi ,
o sea, es la diferencia entre el valor pronosticado Fi y el valor observado Yi . Lo que interesa es el
comportamiento del error a lo largo del tiempo o para el conjunto de datos. Si el modelo utilizado
para pronosticar es adecuado, los residuos deben distribuirse aleatoriamente a lo largo de toda la serie.
Esto implica que al eliminar los componentes sistemáticos, debería quedar una serie estacionaria: la
del componente irregular. Si los residuos no tienen una variación aleatoria, significaría que existe una
tendencia y/o estacionalidad que no se ha identificado. En consecuencia, el análisis de los errores es
fundamental cuando se realizan pronósticos.
Un proceso estocástico se dice que es estacionario si su media y su varianza son constantes en el tiem-
po y si la covarianza entre los valores de dos períodos depende solamente de la distancia o rezago entre
estos dos periodos y no del tiempo en el cual se ha calculado la covarianza. Un ruido blanco es un pro-
ceso estocástico que se asume forma parte del componente de error de todo modelo de serie de tiempo,
y es tal que sus valores son independientes e idénticamente distribuidos en el tiempo, con media cero y
varianza constante. Es decir, si el modelo es correcto, entonces los errores de pronóstico deben ser ruido
blanco. Por lo tanto, es necesario verificar si el modelo utilizado cumple este supuesto.

Como se dijo antes, si los residuos para el conjunto de observaciones considerados son aleatorios,
debe parecer que éstos han sido seleccionados en forma aleatoria e independiente de poblaciones
distribuidas normalmente, cuya media es cero y su varianza es constante. En tal caso, en el gráfico
de dispersión correspondiente no se observará un patrón definido. Los residuos de la Figura 1.15(a)
tienen esta propiedad, en cambio la Figura 1.15(b) sugiere que los otros componentes de la serie no han
capturado completamente la tendencia.
(a) Residuos con distribución aleatoria (b) Residuos no aleatorios.
Figura 1.15: Errores de pronóstico.
Para la prueba de independencia de los errores, se pueden utilizar los residuos estandarizados, pues
permiten comparar, en la misma escala, diferentes modelos de pronóstico. El error estandarizado del
pronóstico para el período t se denota εbt y su fórmula de cálculo es:
εt − ε
εbt = ,
sε
donde ε es el valor medio de los errores y sε es la desviación estándar muestral. Luego, los errores es-
tandarizados deben ser independientes y tener una distribución normal con media 0, 0 y varianza igual
a 1, 0. Para analizar la independencia, tanto de los residuos estandarizados como de los residuos, se
puede usar un diagrama de un rezago (valores retrasados en un período) versus valores sin rezago: si
los puntos generan una nube sin forma identificable, se tendría independencia, es decir, no habría auto-
correlación. Tal sería el caso de la Figura 1.16.
Figura 1.16: Diagrama de un rezago de errores estandarizados de pronóstico.

c 559
Cabe recordar que el coeficiente de autocorrelación muestral de orden k 5 es:
n−k
X
(Yt − Y )(Yt−k − Y )
t=1
rk = n .
X
(Yt − Y )2
t=1
El coeficiente rk mide la relación lineal entre las observaciones de una serie temporal separadas por
un desfase de k períodos. Se puede demostrar que el valor de rk está entre −1 y 1. Un valor cercano
a 1 indica que las observaciones distanciadas k unidades de tiempo tienen una fuerte relación lineal
positiva.
Para detectar la presencia de autocorrelación de primer orden (entre valores sucesivos) en una serie,
una de las pruebas estadísticas que se utiliza con frecuencia es la de Durbin Watson [6, 7]. Este estadístico
se define de la siguiente manera:
n
X
(εt − εt−1 )2
t=2
d= n .
X
ε2t
t=1
El coeficiente d adopta valores entre 0 y 4. Un valor cercano a cero indica autocorrelación positiva,
mientras que uno cercano a 4, autocorrelación negativa. Un valor próximo a 2 indica ausencia de
autocorrelación.
Para estudiar la distribución, una alternativa es usar un diagrama cuantil-cuantil de los residuos es-
tandarizados versus el cuantil teórico normal. Si los puntos se ubican sobre una recta de pendiente 1,0
que pasa por el origen, como en la Figura 1.17, se podría pensar que la normal N (0; 1) es un modelo
apropiado para representar la distribución empírica de los residuos.
Figura 1.17: Diagrama cuantil-cuantil de errores estandarizados.
5 Autocorrelación es la correlación existente entre una variable y la misma variable desfasada (rezagada) k períodos,
k = 1, 2, 3, ...

Para analizar la validez del supuesto de varianza constante (homocedasticidad) se pueden estudiar
los gráficos de los residuos (εt ) en función del tiempo (t) o bien en función de los valores pronosticados
(Ft ). Un gráfico cuyos residuos forman un cono como el de la Figura 1.18(a) sugiere que los errores se
dispersan más a medida que el tiempo crece, por lo que no se cumpliría el supuesto de varianza cons-
tante. En cambio, en la Figura 1.18(b), los residuos se distribuyen en una banda horizontal en torno a
cero, lo que indicaría que no hay cambios significativos cuando el tiempo aumenta.
(a) Varianza de error creciente. (b) Varianza de error constante.
Figura 1.18: Varianza de errores de pronóstico.
El estudio de las propiedades mencionadas de los residuos suele iniciarse aplicando análisis
exploratorio de datos, que utiliza gráficos en forma intensiva, como los que se han discutido en esta
sección. Si se considera necesario, las hipótesis que se obtienen pueden ser examinadas mediante análisis
estadístico confirmatorio.
Las pruebas estadísticas de Kolmogorov-Smirnov y de Anderson-Darling, entre otras, son procedi-

mientos que permiten medir el grado de concordancia existente entre la distribución de un conjunto de
datos muestrales y una distribución teórica específica. Esto es, comprueban si las observaciones podrían
proceder de la distribución especificada, por ejemplo, si los residuos provienen de una distribución nor-
mal (hipótesis H0 ).
Selección de un modelo de pronósticos
Se han definido algunas medidas del error global de un pronóstico que evaluan distintos aspectos y
permiten estimar la precisión (bondad) de los pronósticos y comparar distintos modelos.
Error Medio del Pronóstico (EM)
Este indicador es el promedio de los errores de pronóstico de un conjunto de n períodos de la serie:
n
X
1
EM = n εi .
i=1

c 561
Los errores positivos grandes tienden a compensarse con los valores negativos grandes. Sin embargo,
el EM permite establecer si existe sesgo en el pronóstico. En efecto, si EM es negativo, el modelo tiende
a sobre-estimar; si es positivo, tiende a sub-estimar.
Desviación Absoluta de la Media (DAM)
La DAM es una medida que corresponde al promedio de las magnitudes de los errores, y está
expresada en las mismas unidades que la serie de tiempo original:
n
X
1
DAM = n |εi |.
i=1
Los errores son incorporados en esta medida sin tomar en cuenta su signo algebraico. Si un modelo
se ajusta de manera perfecta a las observaciones históricas, la DAM es 0, mientras que cuando el ajuste
no es bueno, esta medida es muy grande. Por lo tanto, al comparar varios modelos de pronósticos, se
puede seleccionar el que presente la menor DAM como el más apropiado.
Error Cuadrático Medio (ECM)
El ECM es el promedio de los cuadrados de los errores de pronóstico individuales, de modo que los
errores mayores tiene un mayor impacto. Es una indicación de la dispersión de los errores de pronóstico.
Se define:
n
1X 2
ECM = ε .
n i=1 i
Si se emplea la raíz cuadrada de ECM se recupera la unidad de medición de la variable observada y

la escala original.
Todo pronóstico está sujeto a error, su análisis es muy importante para una toma de decisiones ade-
cuada.
En las secciones siguientes nos referiremos a algunos métodos de descomposición que intentan iden-
tificar los componentes de la serie y proyectarlos hacia el futuro. Estos métodos han demostrado ser
herramientas apropiadas para realizar pronósticos a corto y mediano plazo.
mencionar SEÑAL DE RASTREO (CONTROL)

La idea básica de los modelos de suavizamiento es definir, a partir de la serie observada, una nueva
serie que filtra (suaviza) los efectos aleatorios y estacionales. En 1931, Frederick R. Macaulay publicó
una monografía titulada The Smoothing of Time Series [19] donde discute el concepto de suavizamiento
y algunas técnicas para realizarlo. Esto resultó de particular interés para economistas preocupados de
estimar y predecir la dinámica de los ciclos económicos, aislando las fluctuaciones estacionales y la
tendencia.
A continuación se discuten los modelos denominados Promedios Móviles y Suavizamiento

Exponencial.
1.2.3. Modelos de Promedios Móviles
Estos modelos asumen que el promedio de períodos pasados es un buen estimador del compor-
tamiento futuro. Para pronosticar el valor para un cierto período, se promedian las observaciones corres-
pondientes a un número determinado de periodos anteriores, con el ojetivo de suavizar las fluctuaciones
del corto plazo y las variaciones aleatorias. Por ello, estos modelos son adecuados cuando la venta es
estable y no hay evidencia de tendencia o patrón estacional significativos. A medida que se obtienen
nuevas observaciones, se actualiza el promedio, incorporando el valor más reciente y descartando el
más antiguo, de allí que el promedio se “mueva”. El resultado es una nueva serie alisada o suavizada.
1.2.3.1. Promedio Móvil Simple
En este modelo se utiliza un grupo de observaciones recientes para efectuar un pronóstico. El valor
pronosticado es el promedio simple de los k períodos más recientes. Para calcular el promedio, se debe
fijar el valor de k. Si se denomina Ft+1 al valor pronosticado para el período t + 1, entonces:
Ft+1 = k1 [Yt + Yt−1 + ... + Yt−k+1 ],
donde Yt es el valor observado en el período t.
Si k = 4 entonces
Ft+1 = 14 [Yt + Yt−1 + Yt−2 + Yt−3 ].
Se observa que el primer pronóstico que se puede realizar es para el período 5. Esto requiere conocer
los datos de los cuatro períodos más recientes. En efecto:
F5 = 14 [Y4 + Y3 + Y2 + Y1 ].
Nótese que se asigna la misma importancia a todos los períodos considerados en el promedio. El
número de períodos k debe ser establecido previamente. Más adelante se discute respecto a la selección
del valor de este parámetro.

c 563
Ejemplo: Supermercados Toledo
El padre de Carlos Madrid instaló, hace mucho

tiempo, en un barrio residencial, una tienda de aba-
rrotes para proveer a sus clientes de todo aquello
que las familias necesitan diariamente, como pan,
azúcar, leche, huevos, verduras, bebidas, y también
de lo que requieren comprar de manera urgente co-
mo pasta de dientes, jabón, hielo, pizzas, bebidas
y refrescos, entre varios otros productos. Rápida-
mente, logró conquistar una clientela estable y leal.
Gradualmente, fue incorporando otros tipos de pro-
ductos, y convirtió su tienda en un emporio autoser-
vicio. Cuando Carlos se hizo cargo del negocio, pros-
peró exponencialmente, transformándose en cinco años, en una cadena de supermercados a nivel na-
cional, bajo la marca Supermercados Toledo. En la actualidad ha recibido una oferta de una cadena de
supermercados internacional, quienes le ofrecen comprar la marca y los locales, manteniendo al per-
sonal y cambiando sólo los gerentes corporativos. Está pensando seriamente en aceptar la oferta. Para
negociar el precio de venta de la cadena y la marca con los inversionistas, Madrid ha decidido que
es razonable determinar los ingresos futuros, analizando las ventas de los últimos tres años. La serie
histórica de ventas mensuales se muestra en la Tabla 1.3. Los datos están ordenados horizontalmente
por semestres.
Año Semestre Ventas mensuales

(miles de millones de pesos)
2010 1 201 123 187 193 149 172
2 219 125 196 199 165 179
2011 1 201 149 186 183 144 180
2 155 222 211 143 156 169
2012 1 203 178 134 172 164 201
2 186 167 194 149 215 201
Tabla 1.3: Ventas mensuales de Supermercados Toledo.
La Figura 1.19(a) muestra las observaciones de la serie de ventas observadas. En ella no se aprecia
que pudiese existir algún grado de tendencia, los datos históricos se mueven dentro de una franja
horizontal con valores extremos 220 y 120 mil millones de pesos. Tampoco se visualiza la existencia de
estacionalidad. La serie es muy pequeña para que se pueda detectar la presencia de ciclos. El diagrama
de autocorrelación de un rezago de las ventas fortalece la impresión de no existencia de tendencia
pues los puntos se disponen como una nube informe dentro del rango de valores. En consecuencia es
razonable asumir que la serie es estacionaria, lo que implica que el negocio no está creciendo, pero
tampoco, en declinación. Por lo tanto, un modelo de promedios móviles parece ser adecuado para
pronosticar ventas mensuales futuras.

(a) Diagrama de ventas mensuales. (b) Diagrama de autocorrelación.
Figura 1.19: Ventas de Supermercados Toledo.
La Tabla 1.4 señala el pronóstico con k = 4 para cada período y el error correspondiente.
Promedios móviles
Año 2010 Año 2011 Año 2012
Mes Venta Pronóstico Error Mes Venta Pronóstico Error Mes Venta Pronóstico Error
t Yt Ft εt t Yt Ft εt t Yt Ft εt
1 201 13 201 185 16 25 203 170 33
2 123 14 149 181 -32 26 178 156 22
3 187 15 186 172 14 27 134 163 -29
4 193 16 183 179 4 28 172 169 3
5 149 176 -27 17 144 180 -36 29 164 172 -8
6 172 163 9 18 180 166 15 30 201 162 39
7 219 175 44 19 155 173 -18 31 186 168 18
8 125 183 -58 20 222 166 57 32 167 181 -14
9 196 166 30 21 211 175 36 33 194 180 15
10 199 178 21 22 143 192 -49 34 149 187 -38
11 165 185 -20 23 156 183 -27 35 215 174 41
12 179 171 8 24 169 183 -14 36 201 181 20
Tabla 1.4: Pronósticos de ventas para Supermercados Toledo.
La Figura 1.20 muestra la serie de observaciones junto con la de pronósticos.
Figura 1.20: Pronósticos de ventas de Supermercados Toledo.

c 565
En el promedio móvil pueden incluirse tantos períodos anteriores como se desee. Para la elección del
parámetro k es preciso tener en cuenta que este valor determina la influencia o importancia de cada ob-
servación en el valor pronosticado. En efecto, mientras menor es el valor de k, la serie de pronósticos es
menos alisada, pero el promedio es más sensible a los cambios en los valores observados. Al contrario,
promedios móviles con una mayor cantidad de observaciones suavisará más la serie, pero la hará menos
sensible a los cambios en los valores observados. Es decir, la respuesta ante los cambios en la demanda
será más lenta. La Figura 1.21 muestra los pronósticos de venta para Supermercados Toledo, obtenidos
mediante promedios móviles simples para k = 2, 3 y 5, junto con la serie de observaciones. Los gráficos
del lado derecho muestran sólo los pronósticos para apreciar más claramente el patrón que tienen.
Figura 1.21: Pronósticos de ventas de Supermercados Toledo.
Se observa que para k = 2 los pronósticos siguen muy de cerca las fluctuaciones de la serie original,
aunque retrasadas en un período, o sea, reaccionan con mayor rapidez ante fluctuaciones apreciables de
las ventas. Ello significa que tienen incorporada una parte significativa del componente aleatorio. Para
k = 3 y k = 5, las fluctuaciones de la serie de pronósticos se atenúan, indicando que se está capturando
más el patrón de tendencia y menos el componente aleatorio. Es interesante analizar los errores de
pronóstico para distintos valores de k.

La Tabla 1.5 contiene los errores para k = 2, 3, 4, 5, 6 y 24.
Errores de promedios móviles

Error k=2 k=3 k=4 k=5 k=6 k = 24
ECM 1219,0 901,5 906,5 804,1 748,2 606,1
EM 2,5 1,8 1,3 2,2 2,3 1,7
DAM 29,1 23,5 25,5 22,9 21,6 7,8
Tabla 1.5: Errores de los pronósticos de ventas de Supermercados Toledo.
Se puede observar que el EM no cambia de

forma importante ante los diferentes valores
de k. La DAM sólo experimenta una disminu-
ción apreciable para k = 24. Por otro lado, a
medida que aumenta el valor de k, el ECM se
hace más pequeño. La Figura 1.22 indica que
no hay un aumento significativo en precisión
cuando se usa promedios móviles con valores
de k mayores que 5 o 6. Lo que aumenta
considerablemente es el tiempo de cálculo.
Figura 1.22: Error cuadrático medio en función de k.
El promedio móvil asume que la serie es estacionaria. El ejemplo siguiente muestra lo que ocurre
cuando se aplica este tipo de modelo a una serie con tendencia.
Ejemplo: Ropa Deportiva Siena
Siena Ltda.es una prestigiosa empresa dedicada a la

fabricación y comercialización de artículos deportivos.
Cuenta con una extensa cadena de tiendas. Entre sus
productos se pueden mencionar zapatillas, pantalones,
polerones y diversos accesorios. La sección de ropa de-
portiva de la tienda Via Termini ha experimentado un
aumento en sus ventas semanales de polerones. En al-
gunas ocasiones, para no quedarse sin productos, han
tenido que pedir prendas a otras tiendas de la cadena o,
peor aún, traerlas vía aérea desde algún país vecino, ya
que la política de la empresa es mantener un alto nivel
de servicio. De hecho, la meta de la empresa es que el
99 % de las veces que un cliente quiere comprar un polerón, encuentre el modelo que busca, en el color
y talla que desea.

c 567
Por lo anterior, para Gustavo San Marino, administrador de la tienda, es muy importante disponer de
buenas proyecciones de las ventas. La tienda lleva un registro de las unidades vendidas semanalmente
de cada producto. La Tabla 1.6 resume las ventas de polerones de los últimos seis meses, ordenadas de
tal modo que cada fila corresponde a las trece semanas de un trimestre.
Ventas de polerones Siena

Semana 1 2 3 4 5 6 7 8 9 10 11 12 13
Trimestre 1 94 88 87 93 93 94 89 91 93 92 92 97 98
Trimestre 2 94 92 96 96 101 99 98 98 100 102 100 103 103
Tabla 1.6: Ventas semanales de polerones Siena.
La política de reposición de inventario de San Marino consiste en solicitar a la fábrica, al final de

cada semana, una cantidad de polerones igual a la venta pronosticada para la semana siguiente menos
la cantidad existente en el inventario de la tienda. Utilizando el modelo de promedios móviles de orden
k = 4, se obtienen los pronósticos que se muestran en la Tabla 1.7, junto con los errores.
Promedios móviles
Semana Ventas Pronóstico Pronóstico redondeado Error Error absoluto Error estándar
t Yt Ft Ft0 εt |εt | εbt
1 94
2 88
3 87
4 93
5 93 90,5 91 2 2 0,43
6 94 90,3 91 3 3 0,83
7 89 91,8 92 -3 3 -1,61
8 91 92,3 93 -2 2 -1,20
9 93 91,8 92 1 1 0,02
10 92 91,8 92 0 0 -0,39
11 92 91,3 92 0 0 -0,39
12 97 92,0 92 5 5 1,65
13 98 93,5 94 4 4 1,24
14 94 94,8 95 -1 1 -0,79
15 92 95,3 96 -4 4 -2,02
16 96 95,3 96 0 0 -0,39
17 96 95,0 95 1 1 0,02
18 101 94,5 95 6 6 2,05
19 99 96,3 97 2 2 0,43
20 98 98,0 98 0 0 -0,39
21 98 98,5 99 -1 1 -0,79
22 100 99,0 99 1 1 0,02
23 102 98,8 99 3 3 0,83
24 100 99,5 100 0 0 -0,39
25 103 100,0 100 3 3 0,83
26 103 101,3 102 1 1 0,02
Tabla 1.7: Pronósticos de ventas semanales de polerones Siena.

La Figura 1.23 compara los valores de la serie de observaciones con los de la serie suavizada por el
método de promedios móviles simple con k = 4.
Figura 1.23: Pronósticos de ventas de polerones Siena.
Los errores asociados a estos pronósticos son: EM = 0,95; DAM = 1,95 y ECM = 6,05. Se puede apreciar
que aunque la serie pronosticada sigue la tendencia razonablemente bien, el error promedio es positi-
vo (EM = 0,95), lo que implica un sesgo, esto es, el modelo está constantemente pronosticando valores
menores que los observados. La DAM es igual 1,95 lo que significa que el tamaño promedio del error
está entre 1 y 2, cuando debiera ser cercano a cero.
El diagrama de los errores estandarizados en función de los períodos de la serie de la Figura 1.24
muestra que los errores tienen varianza constante, dado que casi todos ellos están ubicados en la franja
horizontal comprendida entre los valores −2, 0 y +2, 0.
Figura 1.24: Errores de promedios móviles de polerones Siena.

c 569
Por otra parte, el diagrama de un rezago de la Figura 1.25(a) indica que los errores estandarizados
son independientes, ya que generan una nube informe de puntos. Además, el diagrama cuantil-cuantil,
en la Figura 1.25(b), sugiere que la distribución normal estándar N (0; 1) es un modelo apropiado para
representar la distribución de los errores. ¿valor de DURBIN WATSON??
(a) Diagrama de autocorrelación. (b) Diagrama cuantil-cuantil.
Figura 1.25: Errores estandarizados de polerones Siena.
Hasta aquí parece que se va bien. Sin embargo, en el diagrama de los residuos estandarizados en
función de las observaciones de la Figura 1.26 se aprecia que, aunque los errores están en el intervalo
entre −2, 5 y +2, 5, existe una tendencia. Esto indica que el modelo utilizado no ha sido capaz de elimi-
nar este componente: el diagrama de residuos acusa esta falencia. En consecuencia, el modelo no ha sido
capaz de capturar completamente la componente de tendencia.
Figura 1.26: Errores estandarizados en función de las ventas observadas de polerones Siena.
Este resultado confirma lo dicho con anterioridad sobre la importancia de un análisis exhaustivo de
los residuos o errores de pronóstico.
La Figura 1.27 corresponde a los diagramas de pronósticos para k = 3, 4, 5 y 10. Se puede ver que a
medida que aumenta el valor de k, la serie de los promedios móviles está más suavizada, pero cada vez
más retrasada. Mientras menor es k, la serie de pronósticos reacciona con mayor rapidez ante cambios
significativos en la demanda, lo que ocurre cuando k = 3. En cambio, el pronóstico con k = 10 es más
estable, dado que las variaciones de la demanda tienden a cancelarse entre ellas.

Figura 1.27: Pronósticos de ventas de polerones Siena.
En la Tabla 1.8 se tiene que el error medio es positivo, lo que implica la existencia de sesgo. Esto es,
independientemente del valor de k, el modelo siempre pronostica valores inferiores a los observados.
De ahi, que éste no es un buen modelo para ser aplicado en series que tienen tendencia o estacionalidad.
A medida que k crece, el sesgo es más pronunciado.
Errores de promedios móviles

k 3 4 5 10
ECM 7,30 6,05 4,96 4,40
EM 0,87 0,95 1,19 2,50
DAM 2,26 1,95 1,86 2,75
Tabla 1.8: Errores de pronósticos de ventas de polerones Siena.
Una ventaja de este modelo de promedios móviles es que requiere muy poco esfuerzo de cálculo.
Una posible desventaja es que todos los valores del promedio móvil son igualmente ponderados, esto
es, las ventas más alejadas tienen la misma importancia que las ventas más recientes, lo que implica que
los valores de la serie pronosticada demoren más en reaccionar ante los cambios.

c 571
1.2.3.2. Promedio Móvil Ponderado
El modelo de promedio móvil ponderado es similar al promedio móvil simple, excepto que cada
observación que interviene en el cálculo del promedio puede tener su propia ponderación. Los pesos o
ponderaciones deben sumar 1.0. Si se desea que los períodos más recientes tengan mayor influencia en
el pronóstico, se les puede dar un peso mayor a esas observaciones. El pronóstico es:
t
X
Ft+1 = k1 [wt Yt + wt−1 Yt−1 + ... + wt−k+1 Yt−k+1 ], con wj = 1,
j=t−k+1
donde wj es el peso que se asigna a la observación del período j para j = 1, ...... Obviamente, se requiere
conocer las ventas de los k primeros períodos.
Supongamos que k = 4, si al valor más reciente se le asigna una ponderación o peso de 0,40; al
siguiente más próximo un peso igual a 0,30; al siguiente 0,20 y al más alejado un peso de 0,10. En este
caso, el pronóstico está dado por:
Ft+1 = 0, 40Yt + 0, 30Yt−1 + 0, 20Yt−2 + 0, 10Yt−3 .
Nótese que el promedio móvil simple es un caso especial del modelo de promedio móvil ponderado,
donde los pesos wj son todos iguales a k1 .
Ejemplo: Supermercados Toledo extendido
El caso Supermercados Toledo será utilizado en la aplicación de los modelos de promedios móviles
ponderados a una situación donde no se evidencia tendencia en los datos. Esto permitirá comparar los
resultados de los modelos de promedios simples y promedios ponderados. La Figura 1.28 reproduce las
ventas mensuales históricas de los tres años que se indica.
Año Semestre Ventas mensuales

(miles de millones de pesos)
2010 1 201 123 187 193 149 172
2 219 125 196 199 165 179
2011 1 201 149 186 183 144 180
2 155 222 211 143 156 169
2012 1 203 178 134 172 164 201
2 186 167 194 149 215 201
Figura 1.28: Ventas mensuales de Supermercados Toledo.
Después de una larga sesión de tormenta de ideas de los gerentes de las diversas sucursales, se llegó
al consenso que es aconsejable otorgar una mayor ponderación a los datos más recientes, sin descuidar
la información pasada para alisar la serie. Esto es, eliminar parte del componente aleatorio, al mismo
tiempo que se consideran eventuales cambios en las preferencias de los consumidores.

Se optó por seguir usando un promedio de k = 4 períodos. Las ponderaciones acordadas fueron
w1 = 40 %, w2 = 30 %, w3 = 20 % y w4 = 10 %. Así, la expresión para calcular los pronósticos es:
Ft+1 = 0, 40Yt + 0, 30Yt−1 + 0, 20Yt−2 + 0, 10Yt−3 .
La Tabla 1.9 muestra los pronósticos de ventas.
Promedios móviles ponderados

Año 2010 Año 2011 Año 2012
Mes Venta Pronóstico Error Mes Venta Pronóstico Error Mes Venta Pronóstico Error
t Yt Ft εt t Yt Ft εt t Yt Ft εt
1 201 13 201 181 21 25 203 164 39
2 123 14 149 187 -38 26 178 177 1
3 187 15 186 172 14 27 134 182 -48
4 193 16 183 177 6 28 172 165 8
5 149 178 -29 17 144 179 -35 29 164 165 -1
6 172 167 5 18 180 165 15 30 201 162 39
7 219 171 48 19 155 170 -15 31 186 177 9
8 125 188 -63 20 222 163 59 32 167 185 -18
9 196 165 31 21 211 186 25 33 194 179 15
10 199 177 22 22 143 200 -57 34 149 185 -36
11 165 185 -20 23 156 180 -24 35 215 170 45
12 179 177 2 24 169 170 -1 36 201 186 15
Tabla 1.9: Pronósticos de ventas de Supermercados Toledo.
Los errores del modelo son ECM = 6, 56, EM = 0, 23 y la DAM = 1, 95. La Figura 1.29 muestra los
valores pronosticados junto con la serie histórica. Se puede constatar que, al igual que el modelo de
promedios móviles simples, los valores pronosticados van consistentemente retrasados respecto a los
valores observados de ventas. En efecto, nótese que cuando los valores de la serie crecen los valores
pronosticados subestiman este aumento y cuando los valores de la serie caen, los valores pronosticados
sobrestiman su valor.
Figura 1.29: Promedios móviles ponderados de Supermercados Toledo.

c 573
En la Tabla 1.10 se comparan los errores resultantes de aplicar el modelo de promedios móviles pon-
derados con los del modelo de promedios móviles simples, ambos para k = 4.
Promedio Móvil
Error Ponderado Simple
ECM 977,1 906,5
EM 1,0 1,3
DAM 25,1 25,5
Tabla 1.10: Comparación de errores de promedios móviles.
En ambos casos el EM y la DAM tienen valores muy similares. Dado que el ECM del modelo simple
es menor que el del ponderado, el primero es un mejor modelo para pronosticar valores de esta serie.
Se calcularon los residuos estandarizados que se muestran en la Tabla 1.11.
Mes Error Error Mes Error Error Mes Error Error

estandarizado estandarizado estandarizado
t εt εbt t εt εbt t εt εbt
1 13 21 0,640 25 39 1,216
2 14 -38 -1,248 26 1 0,000
3 15 14 0,416 27 -48 -1,567
4 16 6 0,160 28 8 0,224
5 -29 -0,960 17 -35 -1,152 29 -1 -0,064
6 5 0,128 18 15 0,448 30 39 1,216
7 48 1,504 19 -15 -0,512 31 9 0,256
8 -63 -2,047 20 59 1,856 32 -18 -0,608
9 31 0,960 21 25 0,768 33 15 0,448
10 22 0,672 22 -57 -1,855 34 -36 -1,184
11 -20 -0,672 23 -24 -0,800 35 45 1,408
12 2 0,032 24 -1 -0,064 36 15 0,448
Tabla 1.11: Errores estandarizados de promedios móviles ponderados.
En la Figura 1.30 se han graficado los errores estandarizados para cada período de la serie.
Figura 1.30: Errores estandarizados por período.

Se observa que tienen varianza constante, dado que están dispuestos en una franja horizontal entre
los valores −2, 0 y +2, 0. No se aprecia presencia de algún patrón especial, esto lleva a pensar que los
errores pueden ser independientes, con varianza constante y, posiblemente, la distribución normal es
un buen modelo para expresar la distribución de los errores.¿¿qué valor tiene DURBIN WATSON??
Por otro lado, los diagramas de autocorrelación y cuantil-cuantil N (0; 1) de los residuos estandariza-
dos, que se muestran en la Figura 1.31, también sugieren que los residuos son independientes y que la
distribución normal es apropiada para modelar la distribución empírica de los errores.
(a) Diagrama de autocorrelación. (b) Diagrama cuantil-cuantil.
Figura 1.31: Errores estandarizados de Supermercados Toledo.
En consecuencia, en este caso el modelo de promedios móviles ponderados sería un buen modelo
para pronosticar las ventas mensuales de Supermercados Toledo.
¿Cómo se comporta el modelo de promedios móviles ponderados con una serie con tendencia?
Para comparar el desempeño de los modelos de promedios móviles simples con los de promedios
móviles ponderados en presencia de tendencia, se aplicará éste último al caso Siena. La Tabla 1.12 re-
produce los datos históricos de las ventas de polerones.
Ventas de polerones Siena

Semana 1 2 3 4 5 6 7 8 9 10 11 12 13
Trimestre 1 94 88 87 93 93 94 89 91 93 92 92 97 98
Trimestre 2 94 92 96 96 101 99 98 98 103 102 100 103 103
Tabla 1.12: Ventas semanales de polerones Siena.
Se preguntó al Sr. San Marino, cuáles serían, a su juicio, las ponderaciones o pesos adecuados para
los datos históricos, si se consideran las cuatro últimas semanas para el pronóstico. Él manifestó que el
peso de la última semana marca de manera significativa la tendencia de compra de la semana siguiente.
Se acordó que el peso asignado a la semana precedente sería un 70 % (w1 = 0, 70); a la venta de la
penúltima semana se le asignó un peso igual a 20 % (w2 = 0, 20); y a las dos anteriores a ésta, 5 % a cada
una (w3 = w4 = 0, 05). En consecuencia el modelo de pronóstico es:

c 575
Ft+1 = 0, 70Yt + 0, 20Yt−1 + 0, 05Yt−2 + 0, 05Yt−3 .
La Tabla 1.13 muestra los pronósticos calculados como se ha señalado y los errores.
Promedios móviles ponderados

Semana Ventas Pronóstico Error Error Error
absoluto estándar
t Yt Ft εt |εt | εbt
1 94
2 88
3 87
4 93
5 93 92 1,00 1,00 0,30
6 94 93 1,00 1,00 0,30
7 89 94 -5,00 5,00 -2,04
8 91 91 0,00 0,00 -0,09
9 93 91 2,00 2,00 0,69
10 92 93 -1,00 1,00 -0,48
11 92 92 0,00 0,00 -0,09
12 97 92 5,00 5,00 1,86
13 98 96 2,00 2,00 0,69
14 94 98 -4,00 4,00 -1,65
15 92 95 -3,00 3,00 -1,26
16 96 93 3,00 3,00 1,08
17 96 96 0,00 0,00 -0,09
18 101 96 5,00 5,00 1,86
19 99 100 -1,00 1,00 -0,48
20 98 100 -2,00 2,00 -0,87
21 98 99 -1,00 1,00 -0,48
22 100 99 1,00 1,00 0,30
23 102 100 2,00 2,00 0,69
24 100 102 -2,00 2,00 -0,87
25 103 101 2,00 2,00 0,69
26 103 103 0,00 0,00 -0,09
Tabla 1.13: Pronósticos de ventas de polerones Siena.
Los errores del modelo son ECM = 6,56, EM = 0,23 y DAM = 1,95. Nótese que, si w1 = 1 y
w2 = w3 = w4 = 0, el modelo corresponde a pronosticar la venta de una semana según lo vendido
la semana anterior. Si w1 = w2 = w3 = w4 = 0, 25, se está frente al modelo de promedios móviles
simples.
Si se adicionan los valores pronosticados al gráfico de la serie histórica (Figura 1.32), se puede cons-
tatar que, al igual que el modelo de promedios móviles simples, los valores pronosticados van consis-
tentemente retrasados respecto a los valores observados de las ventas. En efecto, nótese que cuando los
valores de la serie observada crecen, los valores pronosticados subestiman este aumento y cuando los
valores de la serie caen, los valores pronosticados sobrestiman su valor.

Figura 1.32: Promedios móviles ponderados de polerones Siena.
En la Tabla 1.14 se comparan, para k = 4, los errores del modelo de promedios móviles simples con
los del modelo de promedios móviles ponderados. Se puede apreciar que el ECM del modelo de prome-
dios ponderados es algo mayor que el de promedios simples. Por otro lado, el EM del segundo modelo
es menor, lo que implica que tiene menos sesgo. Además el DAM de este último también es menor,
luego el tamaño promedio de los errores es menor. Esto sugiere que el modelo de promedios móviles
ponderados sería más apropiado para realizar los pronósticos de venta de polerones Siena.
Promedio movil simple Promedio móvil ponderado

ECM 5,84 6,56
EM 1,36 0,23
DAM 2,14 1,95
Tabla 1.14: Errores de pronósticos de ventas de Siena.
El diagrama de los errores estandarizados por período de la Figura 1.33 muestra que los residuos
tienen varianza constante, dado que están dispuestos en una franja horizontal comprendida entre los
valores −2, 0 y +2, 0. Tampoco se aprecia un patrón particular, lo que lleva a pensar que los errores
pueden ser independientes, con varianza constante y, posiblemente la distribución normal es un buen
modelo para representar la distribución empírica de los errores.
Figura 1.33: Errores estandarizados por período.

c 577
El diagrama de autocorrelación (un rezago) y el de cuantil-cuantil N (0; 1) de los residuos estandariza-

dos se muestran en la Figura 1.34. Éstos sugieren que los residuos son independientes y que la dis-
tribución normal es la distribución apropiada para modelar la distribución empírica de los errores.
¿¿DURBIN WATSON??
(a) Diagrama de autocorrelación (b) Diagrama cuantil-cuantil.
Figura 1.34: Errores estandarizados de polerones Siena.
Para analizar la relación existente entre los datos (ventas) observados y los residuos estandarizados,
se puede analizar un gráfico como el mostrado en la Figura 1.35.
Figura 1.35: Residuos estandarizados en función de las ventas históricas.
En este caso, al contrario del modelo de promedios móviles simple, no se observa un patrón que
indique la existencia de tendencia. Por lo tanto, se puede concluir que el modelo de promedios móviles
ponderados con k = 4 y pesos w1 = 0, 70; w2 = 0, 20; w3 = 0, 05 y w4 = 0, 05 es un mejor modelo de
pronósticos.
Generalmente, los valores de los pesos se determinan por experiencia o bien experimentalmente, es
decir, mediante prueba y error. La Figura 1.36 corresponde a los diagramas de pronósticos obtenidos
con promedios móviles ponderados para k = 4 con distintas combinaciones de pesos. Los pesos de cada
combinación se indican en la Tabla 1.15.

Figura 1.36: Promedios móviles ponderados con distintos pesos para ventas de Siena.
El cuadro comparativo de la Tabla 1.15 muestra las ponderaciones de los pronósticos de la Figura
1.36 junto con los errores. Las combinaciones (c) y (d) representan los valores extremos que pueden ser
asignados a los pesos. En particular (c) corresponde al promedio móvil simple.
Pesos de pronósticos
Combinación (a) (b) (c) (d)
w4 0,05 0,10 0,25 0,00
w3 0,05 0,20 0,25 0,00
w2 0,20 0,30 0,25 0,00
w1 0,70 0,40 0,25 1,00
Errores de pronósticos
ECM 6,56 5,67 6,05 6,83
EM 0,23 0,64 0,95 0,45
DAM 1,95 1,91 1,95 2,00
Tabla 1.15: Errores de promedios móviles ponderados para polerones Siena.
Se aprecia que las combinaciones (b) y (c) tienen el ECM más bajo, pero un EM más alto, esto es, en
forma consistente se está subestimando o sub-pronosticando las ventas. Como éstos son pronósticos de
corto plazo, parece razonable utilizar las ponderaciones de la primera columna, ya que esa combinación
tiene un EM menor.

c 579

Material Complementario Pronosticos

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Material Complementario Pronosticos

Caricato da

Copyright:

Formati disponibili

MODELAMIENTO y GESTIÓN DE

Carmen Ortiz Z. - Luis Seccatore G.

1.1. Introducción a los Modelos de Pronóstico

1.1.1. ¿Qué es un Pronóstico?

- Pronosticar: conocer, por algunos indicios, lo futuro. Es la predicción fundada en observaciones o

Carmen Ortiz Z. - Luis Seccatore G.

542 Modelamiento y Gestión de Negocios

1.1.2. Modelos de Pronóstico

Carmen Ortiz Z. - Luis Seccatore G.

1.1.2.1. Modelos Cualitativos

Método Delfos (Delphi)

Los resultados dependen fuertemente de la confección del cuestionario y la selección de los

Consenso del Comité de Expertos

544 Modelamiento y Gestión de Negocios

Pronósticos de la Fuerza de Ventas

De acuerdo a Kotler [18], la investigación de mercados es “ el diseño, la obtención, el análisis y

Análisis de la competencia: se estudia el comportamiento y posibles las reacciones de las otras

Carmen Ortiz Z. - Luis Seccatore G.

1.1.2.2. Modelos Cuantitativos

Figura 1.1: Serie de tiempo de ventas mensuales.

546 Modelamiento y Gestión de Negocios

Figura 1.2: Ventas versus gastos en publicidad.

Carmen Ortiz Z. - Luis Seccatore G.

1.1.2.3. Metodología para Pronosticar Demanda / Ventas

La confección de pronósticos efectivos contempla las siguientes etapas:

548 Modelamiento y Gestión de Negocios

1.2. Modelos Proyectivos de Pronóstico: Series de Tiempo

1.2.1. Componentes de una Serie de Tiempo

Carmen Ortiz Z. - Luis Seccatore G.

Figura 1.3: Tendencia de las ventas.

Figura 1.4: Tipos de tendencia.

550 Modelamiento y Gestión de Negocios

Figura 1.5: Tendencia lineal de corto plazo.

Ejemplo: Empanadas Santiago

Doña Pepa, es una emprendedora que hace cinco años

Carmen Ortiz Z. - Luis Seccatore G.

Ventas de empanadas (docenas)

Tabla 1.1: Ventas mensuales de Empanadas Santiago.

Figura 1.6: Diagrama de ventas de empanadas Santiago.

Método de Mínimos Cuadrados

Figura 1.7: Mínimos cuadrados.

552 Modelamiento y Gestión de Negocios

Año Mes Venta Xt Yt Xt Yt Xt2

Tabla 1.2: Cálculos para mínimos cuadrados.

Carmen Ortiz Z. - Luis Seccatore G.

a = 12.793 · 4.900 − 300 · 167.551 = 450,

m = 24 · 167.551 − 300 · 12.793 = 6, 6.

Luego, la ecuación de la tendencia es y = 450 + 6, 6x, como se muestra en la Figura 1.8.

Figura 1.8: Tendencia según mínimos cuadrados.

Figura 1.9: Tendencia según mínimos cuadrados con datos atípicos.

554 Modelamiento y Gestión de Negocios

Estacionalidad: se trata de un patrón en el comportamiento de la serie que se repite en fechas o

(a) Estacionalidad. (b) Estacionalidad y tendencia.

Figura 1.12: Componente estacional de las ventas.

Ciclos: se trata de aumentos o disminuciones que se repiten en el tiempo y cuyo período es de

(a) Componente cíclico. (b) Estacionalidad, tendencia y ciclo.

Figura 1.13: Componente cíclico de las ventas.

556 Modelamiento y Gestión de Negocios

Componente Aleatorio (o irregular): corresponde a variaciones que no pueden explicarse mediante

(a) Componente aleatorio. (b) Cuatro componentes.

Figura 1.14: Componente aleatorio de las ventas.

donde Tt es la tendencia, St la variación estacional, Ct la variación cíclica y Et el componente aleatorio,

El modelo multiplicativo, en cambio, expresa la variable Xt como producto de los componentes:

Carmen Ortiz Z. - Luis Seccatore G.